제형 최적화, 맞춤형 디자인, 올바른 높은 수준을 선택하는 방법안녕하세요 사랑스러운 jmp 커뮤니티입니다. 저는 아주 새로운 학습자이며 통찰력을 얻기 위해 몇 가지 두뇌를 선택하거나 검색에서 놓쳤을 수 있는 포럼 어딘가에 있는 채팅 링크를 얻을 수 있기를 바라고 있습니다!
너무… 제형 최적화를 위해 10개의 연속 요인(부형제)을 스크리닝하기 위해 jmp의 맞춤형 설계를 사용할 계획입니다. 우리의 중요한 선형, 2차 및/또는 상호 작용 효과가 확인되면 진행 계획은 RSM으로 이동하는 것입니다. 역사적으로 일변량 최적화는 우리 회사에서 사용되어 왔으며 따라서 그들은 상당히 높은 수준(부형제의 농도)에서 요인을 조사할 수 있는 능력을 가졌습니다. 높은 수준의 요소가 어떻게 조합되어 작동할지 확신이 서지 않으며 궁극적으로 솔루션에서 활성이 "충돌"하여 응답 분석을 달성할 수 없게 만든 다음 설계에 피드백을 제공하는 상황이 발생할 수 있습니다. 그래서 지금 나는 내가
- 요인 수준이 대략적인 설계를 만듭니다. 추가 최적화를 위해 X1, X2, X1X2를 식별하고 RSM 단계에서 요인을 더 높은 수준으로 올릴 수 있기를 바라며 일반적으로 일변량으로 조사하는 농도의 절반 또는
- 처음부터 더 높은 수준으로 이동하여 잠재적으로 이러한 높은 수준 조합에서 응답 데이터가 손실될 위험이 있습니다. 판독값을 얻지 못하는 경우 해당 단계에서 더 높은 수준을 낮추고 다시 검사하시겠습니까?
지금까지 생성한 디자인에 도움이 된다면 총 74개의 런(이 중 6개는 중심점)이 있고 한 번에 최대 96개의 런까지 갈 수 있습니다. 내가 언급했듯이 나는 jmp에 대한 새로운 학습자입니다. 그래서 어떤 조언/독서가 있다면 저를 도울 수 있는 자료가 있으면 대단히 감사하겠습니다!
Re: 제형 최적화, 맞춤형 디자인, 올바른 높은 수준을 선택하는 방법좀 더 자세히 알아보면 흥미로울 수 있는 배합 실험에 대한 몇 가지 세부 사항을 언급했습니다.
혼합물에 대해서도 생각하고 있는지 궁금합니다.
추가 실험의 순서에 대해 생각하고 있습니까?
혼합 설계는 API가 충돌하는 응답 영역을 정의하는 데 도움이 될 수 있습니다.
Re: 제형 최적화, 맞춤형 디자인, 올바른 높은 수준을 선택하는 방법안녕 바이런,
응답해 주셔서 정말 감사합니다. 실제로 DSD에 대한 생각을 가지고 놀고 있었지만 대신 원 플레이트에서 담당자를 수행할 수 있다는 생각은 하지 않았습니다! 나는 그것을 강타하고 통찰력에 대해 대단히 감사합니다 
Re: 제형 최적화, 맞춤형 디자인, 올바른 높은 수준을 선택하는 방법첫 번째 스크리닝 실험에 대해 조금 다른 접근 방식을 제안하고 싶습니다. JMP에는 시간과 노력을 절약할 수 있는 확정 선별 설계(DSD)가 있습니다. 10개의 요인이 모두 연속형이면 DSD 설계는 74개가 아닌 25개의 런입니다. 8개의 추가 실행과 중심점이 있는 2개의 블록을 추가해도 비용은 30개입니다. (파이펫팅을 수행할 로봇이 있는 경우 하나의 플레이트에서 3개의 복제를 수행할 수 있습니다. 분석 단계에서 함께 평균화되는 복제는 플레이트에 대한 생물학적 제제 위치 효과로 인한 변동을 줄이는 데 좋습니다.)
이 첫 번째 실험에서 10개 요인의 상대적 중요성에 대한 아이디어를 얻을 수 있으므로 다음 RSM 설계에서 하위 집합 및 더 나은 범위로 작업할 수 있습니다.
범위.. 스크리닝 디자인에서 "크게 가거나 집에 가십시오"가 제 모토입니다. 첫 번째 스크리닝 설계에서 그리고 어느 정도는 첫 번째 RSM 설계에서 입증되고 허용 가능한 범위를 (데이터와 함께) 확정할 수 있도록 실패의 가장자리를 식별하고 싶습니다. 그런 다음 다른 RSM, 아마도 더 적은 요소(품질에 중요한 것)와 이상적으로는 최적의 작동 조건을 찾기 위해 설계 공간의 중간에 초점을 맞춘 I-최적 설계가 유용할 수 있습니다.
그냥 내 $.02
-비
